Buchumschlag

A chemical bond-based machine learning model for dipole moment: Application to dielectric properties of liquid methanol and ethanol

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Amano, Tomohito, Yamazaki, Tamio, Tsuneyuki, Shinji
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Transferability of the chemical bond-based machine learning model for dipole moment: the GHz to THz dielectric properties of liquid propylene glycol and polypropylene glycol
von: Amano, Tomohito, et al.
Veröffentlicht: (2024)

Generator of Neural Network Potential for Molecular Dynamics: Constructing Robust and Accurate Potentials with Active Learning for Nanosecond-scale Simulations
von: Matsumura, Naoki, et al.
Veröffentlicht: (2024)

Anharmonic phonon renormalization and thermal transport in the type-I Ba$_{\rm 8}$Ga$_{\rm 16}$Sn$_{\rm 30}$ clathrate from first principles
von: Ohnishi, Masato, et al.
Veröffentlicht: (2021)

Nuclear quantum effect on the elasticity of ice VII under pressure: A path-integral molecular dynamics study
von: Tsuchiya, Jun, et al.
Veröffentlicht: (2023)

Data-Assimilated Crystal Growth Simulation for Multiple Crystalline Phases
von: Kubo, Yuuki, et al.
Veröffentlicht: (2024)

High-throughput computation and machine learning modeling of magnetic moments and Mössbauer parameters for Fe-based intermetallics
von: Zhao, Bo, et al.
Veröffentlicht: (2025)

Superconducting LaPtH$_{ 6 }$ with triatomic hydrogen units
von: Ishikawa, T., et al.
Veröffentlicht: (2025)

Molecular electrostatic potentials from machine learning models for dipole and quadrupole predictions
von: Muuga, Kadri, et al.
Veröffentlicht: (2026)

Search for high-pressure phases of yttrium via a data assimilation approach
von: Kubo, Yuuki, et al.
Veröffentlicht: (2026)

Cartesian atomic moment machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2024)

Application of pretrained universal machine-learning interatomic potential for physicochemical simulation of liquid electrolytes in Li-ion battery
von: Ju, Suyeon, et al.
Veröffentlicht: (2025)

Saturable absorption in highly excited silicon and its suppression at the surface
von: Yamada, Shunsuke, et al.
Veröffentlicht: (2024)

Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction
von: Verma, Apoorv, et al.
Veröffentlicht: (2025)

Hydrogen liquid-liquid transition from first principles and machine learning
von: Tenti, Giacomo, et al.
Veröffentlicht: (2025)

Efficient moment tensor machine-learning interatomic potential for accurate description of defects in Ni-Al Alloys
von: Wang, Jiantao, et al.
Veröffentlicht: (2024)

Improving realistic material property prediction using domain adaptation based machine learning
von: Hu, Jeffrey, et al.
Veröffentlicht: (2023)

Predictive power of polynomial machine learning potentials for liquid states in 22 elemental systems
von: Wakai, Hayato, et al.
Veröffentlicht: (2024)

Phonon-driven tuning of exchange interactions in Y3Fe5O12
von: Yamauchi, Kunihiko, et al.
Veröffentlicht: (2026)

Deformability, inherent mechanical properties and chemical bonding of Al11Nd3 in Al-Nd target material
von: Wang, Xue-Qian, et al.
Veröffentlicht: (2024)

A chemical bonding based descriptor for predicting the impact of quantum nuclear and anharmonic effects on hydrogen-based superconductors
von: Belli, Francesco, et al.
Veröffentlicht: (2025)

Influence of Point Defects on Laser-Induced Excitation in Silicon
von: Otobe, Tomohito, et al.
Veröffentlicht: (2024)

Constructing multicomponent cluster expansions with machine-learning and chemical embedding
von: Müller, Yann L., et al.
Veröffentlicht: (2024)

Deep learning of spectra: Predicting the dielectric function of semiconductors
von: Grunert, Malte, et al.
Veröffentlicht: (2024)

Accelerating ab initio melting property calculations with machine learning: Application to the high entropy alloy TaVCrW
von: Zhu, Li-Fang, et al.
Veröffentlicht: (2024)

Feature-based prediction of properties of cross-linked epoxy polymers by molecular dynamics and machine learning techniques
von: S., Sindu B., et al.
Veröffentlicht: (2023)

Ultrafast Spin Injection in Graphene via Dynamical Carrier Filtering at Transition Metal Dichalcogenide Interfaces
von: Yamada, Shunsuke, et al.
Veröffentlicht: (2025)

Viscous flow in glass-forming liquids: The twice-activation analysis and the bond wave model
von: Chechetkina, Elena A.
Veröffentlicht: (2025)

Atom probe tomography: a local probe for chemical bonds in solids
von: Cojocaru-Mirédin, Oana, et al.
Veröffentlicht: (2024)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

Dislocation-induced flexoelectricity in SrTiO$_3$ nanostructure from first principles
von: Yamauchi, Kunihiko, et al.
Veröffentlicht: (2024)

A unified machine learning framework for ab initio multiscale modeling of liquids
von: Bui, Anna T., et al.
Veröffentlicht: (2026)

Toward machine learning interatomic potentials for modeling uranium mononitride
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2024)

A unified bonding entropy model to determine magnetic properties in graphene nanoflakes
von: He, Chang-Chun, et al.
Veröffentlicht: (2025)

Multimodal machine learning with large language embedding model for polymer property prediction
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

KLIFF: A framework to develop physics-based and machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2021)

Thermophysical properties of spark plasma sintered UCo: a comparison with machine learning predictions
von: Sun, Yifan, et al.
Veröffentlicht: (2026)

Efficient first principles based modeling via machine learning: from simple representations to high entropy materials
von: Li, Kangming, et al.
Veröffentlicht: (2024)

Atomic-scale phase-field modeling with universal machine learning potentials
von: Masuda, Kairi, et al.
Veröffentlicht: (2025)

Atomistic modeling of uranium monocarbide with a machine learning interatomic potential
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2025)

A meta-generalized gradient approximation-based time-dependent and dielectric function dependent method for optical properties of solid materials
von: Tang, Hong, et al.
Veröffentlicht: (2024)